1248 Arbeiten
Die Bioinformatik verbindet Biologie und Informatik, um riesige Mengen an biologischen Daten verständlich zu machen. Statt sich nur auf einzelne Experimente zu konzentrieren, nutzen Forscher hier computergestützte Methoden, um Muster im Leben selbst zu entschlüsseln, von der DNA bis zu komplexen Krankheitsverläufen. Diese Schnittstelle ermöglicht es, die Sprache des Lebens in Zahlen und Algorithmen zu übersetzen und neue Erkenntnisse schnell zu gewinnen.
Auf Gist.Science durchsuchen wir täglich die neuesten Vorab-Veröffentlichungen auf bioRxiv in diesem Bereich. Für jedes neu eingereichte Preprint erstellen wir nicht nur eine detaillierte technische Zusammenfassung für Fachleute, sondern auch eine einfache Erklärung in Alltagssprache, damit jeder den Kern der Forschung verstehen kann. So wird komplexes Wissen für ein breites Publikum zugänglich, ohne dass wichtige Details verloren gehen.
Unten finden Sie die aktuellsten Artikel aus dem Bereich der Bioinformatik, die wir kürzlich für Sie aufbereitet haben.
Die Arbeit stellt InertialGenome vor, ein neuartiges, auflösungsunabhängiges Transformer-Framework, das mithilfe eines Inertialsystems und geometriebewusster Positionskodierung robuste 3D-Strukturen von Chromosomen rekonstruiert und dabei sowohl die Genauigkeit als auch die Leistung im Transferlernen zwischen verschiedenen Auflösungen verbessert.
Das Papier stellt SCOTCH vor, eine plattformunabhängige End-to-End-Pipeline für die lang-Read-einzelligen RNA-Sequenzierung, die durch die Modellierung von Isoformen als Kombinationen nicht überlappender Sub-Exons und dynamische Schwellenwertbildung eine robuste Identifizierung und Quantifizierung bekannter sowie die Rekonstruktion neuer Isoformen ermöglicht.
Das FAIRSCAPE-Framework ist eine agile digitale Umgebung, die durch die Generierung, Verpackung und automatische Bewertung von umfangreichen Metadaten und Provenienzgraphen Biomedizinische Datensätze für erklärbare, ethische und FAIR-konforme KI-Anwendungen bereit macht.
Die Studie stellt HDMAX2-surv vor, ein neuartiges, in R implementiertes Rahmenwerk für die hochdimensionale Mediationsanalyse von Überlebensdaten, das durch die Integration latenter Faktor-Modelle zur Anpassung an nicht beobachtete Störfaktoren und flexibler Überlebensmodelle in der Anwendung auf Pankreaskrebs-Daten erfolgreich epigenetische Mediatoren identifiziert, die den Einfluss von Tabakexposition auf das Überleben vermitteln.
Die Studie stellt einen umfassenden Workflow vor, der lange RNA-Sequenzierungsdaten nutzt, um haplotypaufgelöste, probenspezifische Proteomdatenbanken zu erstellen und so die Identifizierung von Proteinisoformen und Allel-spezifischen Varianten in der Proteogenomik über Referenzdatenbanken hinaus zu ermöglichen.
Die Arbeit stellt nVenn2 vor, einen verbesserten Algorithmus zur Erstellung vereinfachter, quasi-proportionaler Venn-Diagramme, der durch die Minimierung der Komplexität die Darstellung großer Mengen an Sätzen mit vielen leeren Regionen effizient und übersichtlich ermöglicht.
Das Papier stellt gSV vor, einen allgemeinen Detektor für strukturelle Varianten, der mithilfe der Maximum-Exact-Match-Strategie und einer Kombination aus Alignierungs- und Assemblierungsmethoden komplexe Varianten in Third-Generation-Sequenzierungsdaten mit höherer Sensitivität als bestehende Tools identifiziert und dabei insbesondere in Krebsstudien neue biologische Erkenntnisse liefert.
Die Studie stellt EvoStructCLIP vor, ein multimodales Einbettungsmodell, das lokale 3D-Strukturinformationen und evolutionäre Constraints durch CLIP-artiges kontrastives Lernen integriert, um die Auswirkungen von Missense-Varianten präzise vorherzusagen und dabei in der CAGI7-Wettbewerbsumgebung sowie bei verschiedenen biologischen Aufgaben eine hohe Generalisierungsfähigkeit ohne ziel-spezifisches Nachtrainieren demonstriert.
Die Studie bewertet im Rahmen der CAMDA 2025-Herausforderung verschiedene generative Modelle für die Synthese von Bulk-RNA-seq-Daten und zeigt, dass die Wahl des Modells entscheidende Zielkonflikte zwischen Datenqualität, biologischer Plausibilität und Privatsphäre aufwirft, wobei tiefenlernbasierte Ansätze zwar hohe Nutzbarkeit bieten, aber anfälliger für Privatsphärenangriffe sind als differenziell private oder einfachere statistische Methoden.
Die Studie stellt das Rechenframework Kg4j vor, das auf der großen Wissensgraph-Datenbank FORVM aufbaut, um kontextspezifische, kleine Teilgraphen zu generieren, die durch die Integration experimenteller Daten und die Validierung gegen wissenschaftliche Literatur neue Hypothesen über den Zusammenhang zwischen endokrinen Störungen durch persistente organische Schadstoffe und Endometriosis aufdecken.